طراحی یک پانل جامع اعتبار سنجی ریسک اعتباری مشتریان شبکه بانکی با استفاده از یادگیری ماشین (شبکه عصبی عمیق) و جایگزینی آن با روش سنتی وثیقه‌محور

روش های سنتی ارزیابی ریسک اعتباری که عمدتاً بر وثیقه فیزیکی متکی هستند، در زمینه دقت، انعطاف پذیری با شرایط متنوع مشتریان و بهره گیری از داده های گوناگون با محدودیت هایی روبه رو هستند. این روش ها معمولا فقط به وثیقه و تاریخچه بازپرداخت وام توجه می کنند و از بررسی داده های پویا و جامع تر مثل رفتار اعتباری، ویژگی های اجتماعی و الگوهای پیچیده اقتصادی چشم پوشی می کنند. هدف این پژوهش، ارائه یک مدل جدید اعتبارسنجی بر پایه شبکه های عصبی عمیق است تا هم دقت پیش بینی ریسک اعتباری مشتریان را بالا ببرد و هم جایگزینی کارآمد برای روش های سنتی مبتنی بر وثیقه فراهم کند.داده های مورد استفاده شامل اطلاعات مالی و غیرمالی بوده که از مشتریان جمع آوری شده و از ترکیب داده های شبکه بانکی و اطلاعات شبیه سازی شده به دست آمده اند. برای این کار، نمونه ای شامل هزار مورد از مشتریان بانکی در بازه زمانی 2023 تا 2024 بررسی شد. مدل سازی با استفاده از زبان برنامه نویسی پایتون و کتابخانه pandas انجام گرفت. در این راستا، یک شبکه عصبی عمیق با چندین لایه پنهان طراحی شد تا مدل مورد نظر ارزیابی شود. تحلیل داده ها هم با بهره گیری از تکنیک های یادگیری ماشین و مقایسه مدل پیشنهادی با روش های سنتی مثل وثیقه گیری صورت گرفت. نتایج این پژوهش نشان داد که استفاده از شبکه های عصبی عمیق، دقت پیش بینی احتمال نکول مشتریان را تا 83.4 درصد افزایش داده و این مدل می تواند به عنوان جایگزینی موثر برای روش های سنتی مبتنی بر وثیقه عمل کند و فرآیند تصمیم گیری برای اعطای تسهیلات را بهبود ببخشد. این مطالعه ثابت کرد که اعتبارسنجی مشتریان با کمک یادگیری ماشین نه تنها دقت ارزیابی ریسک اعتباری را بالا می برد، بلکه به مدیریت بهتر ریسک اعتباری کمک می کند.